一、引言：从全局到局部的视觉建模演进 视觉Transformer（ViT）通过自注意力机制直接建模图像像素间的全局关系，在图像分类任务中展现出超越卷积神经网络的潜力。然而，传统ViT存在两个核心问题：一是计算复杂度随……
一、背景与问题：传统视觉Transformer的局限性 在自然语言处理领域，Transformer通过自注意力机制实现了对长序列依赖的高效建模，但在计算机视觉任务中直接应用时面临三大挑战： 计算复杂度与分辨率的矛盾：全局……
